为什么使用numpy.random.seed不是一个好习惯？

Question

我想做可重复的测试，使用随机数作为输入。 我习惯在Matlab中调用rng，在Python中调用numpy.random.seed。 但是，我注意到种子帮助的Notes部分是：

这是一种方便的遗留功能。

最佳做法是不重新设置BitGenerator，而是重新创建一个新的BitGenerator。 此方法出于遗留原因。 此示例演示了最佳实践。

 from numpy.random import MT19937 from numpy.random import RandomState, SeedSequence rs = RandomState(MT19937(SeedSequence(123456789))) # Later, you want to restart the stream rs = RandomState(MT19937(SeedSequence(987654321))) 

有没有人知道使用种子与docstring建议相比有什么注意事项？

Answer 1

来自https://numpy.org/neps/nep-0019-rng-policy.html

获得可再现的伪随机数的首选最佳实践是使用种子实例化生成器对象并将其传递。 numpy.random。*便捷函数后面的隐式全局RandomState可能会导致问题，尤其是涉及线程或其他形式的并发时。 全球国家总是有问题的。 我们断然建议在涉及可重复性时避免使用便利功能。

也就是说，人们确实使用它们并使用numpy.random.seed（）来控制它们下面的状态。 可能难以对API用法进行一致且有用的分类和计数，但一种非常常见的用法是在单元测试中，其中许多全局状态问题的可能性较小。

该NEP不建议删除这些功能或更改它们以使用不太稳定的Generator分发实现。 未来的NEP可能会。

具体来说，新PRNG子系统的初始版本应该将这些便利函数作为使用Mersenne Twister BitGenerator对象初始化的全局RandomState上的方法的别名。 对numpy.random.seed（）的调用将被转发到该BitGenerator对象。 另外，全局RandomState实例必须在这个初始版本中可以通过名称numpy.random.mtrand._rand访问：Robert Kern很久以前承诺scikit-知道这个名字是稳定的。 哎呦。

为了允许某些变通方法，必须可以将全局RandomState下的BitGenerator替换为任何其他BitGenerator对象（我们将精确的API详细信息留给新的子系统）。 之后调用numpy.random.seed（）应该只将给定的种子传递给当前的BitGenerator对象，而不是尝试将BitGenerator重置为Mersenne Twister。 numpy.random。*便利函数的集合应保持与它们当前相同。 它们应该是RandomState方法的别名，而不是新的不太稳定的分布类（上面的例子中的Generator）。 想要获得最快，最好的发行版的用户可以遵循最佳实践并明确地实例化生成器对象。

该NEP并未建议永久保留这些要求。 在我们拥有新PRNG子系统的经验之后，我们可以而且应该在未来的NEP中重新审视这些问题。